Sammenhenger mellom lynne og utmelkingsegenskaper hos NRF, vurdert subjektivt og
registrert objektivt i melkerobot.
Correlations between temperament and milkability traits in Norwegian Red (NRF) scored subjective and measured objective in milking robots.
Norges miljø- og biovitenskapelige universitet Institutt for husdyr- og akvakulturvitenskap
Masteroppgave 2014 30 stp
Karoline Andrea Bakke
I
Forord
Tiden går fort, om mulig fortere jo eldre man blir. Fem år på NMBU (UMB da jeg startet) er allerede tilbakelagt! Tusen takk for fem fine og lærerike år, til alle medstudenter og
forelesere.
Storfe, særlig melkeku, har med tiden blitt min store lidenskap. Takk til veileder Bjørg Heringstad for at jeg fikk skrive om det jeg interesserer meg aller mest for, storfe og avl. Du er alltid imøtekommende og hjelpsom, og har uten tvil vært den beste veileder jeg kunne hatt!
Takk til medstudenter Lina og Marit, og til Anne Guro Larsgaard i Geno for korrekturlesing av oppgaven.
Tusen takk til folk og fe i fjøset. Jeg kommer til å savne alle «damene» mine, det var alltid godt å komme på jobb til dere etter noen timer på skolebenken.
Familien, venner og ikke minst Øyvind som alltid stiller opp for meg, fortjener den største takken av alle!
NMBU, 14 mai 2014
Karoline Andrea Bakke
II
Sammendrag
Andelen kyr som melkes i melkerobot er stadig økende, spesielt i Norge. Melkeroboten bidrar med store daglige mengder data registrert på hver enkelt ku. Informasjonen som registreres under melking bidrar med objektive registreringer på flere ulike egenskaper.
Formålet med denne oppgaven var å gjennomføre genetiske analyser av
utmelkingsegenskaper og lynne registrert i melkerobot. Data fra 46 besetninger med DeLaval melkerobot, og totalt 4764 kyr av rasen NRF med til sammen 1 853 900 daglige
observasjoner ble analysert. Varianskomponenter og arvegrader ble estimert. Analyserte egenskaper var kg melk per minutt bokstid (MelkHastBoks), andelen melkinger med avspark (pAvsp) og andelen ufullstendige melkinger (pUfullst) registrert i melkeroboten. Informasjon om lynne, lekkasje og utmelkingshastighet fra subjektiv vurdering av kyr ble i tillegg hentet fra kukontrollen. Dataene fra den subjektive vurderingen bestod av 329 502 observasjoner på lynne og utmelkingshastighet, og 329 130 observasjoner på lekkasje. Genetisk korrelasjon mellom de tre egenskaper i melkeroboten, og tre subjektivt målte egenskaper ble estimert.
Estimerte arvegrader var 0,29 for MelkHastBoks, 0,20 for pAvsp og 0,08 for pUfullst. Det ble funnet moderat genetisk korrelasjon mellom lynne vurdert subjektivt og pAvsp fra melkerobot på 0,54, noe som betyr at kyr klassifisert med dårlig lynne i den subjektive vurderingen, også har større andel melkinger med avspark i melkeroboten. Genetisk korrelasjon mellom pUfullst og lynne var på 0,27. Mellom utmelkingshastighet vurdert subjektivt og MelkHastBoks i roboten ble det funnet høy genetisk korrelasjon på -0,88, og kyr klassifisert med rask
utmelkingshastighet, vil gi mer kg melk per minutt bokstid. Dette betyr at informasjonen som registreres i melkeroboten kan brukes som tilleggsinformasjon om kyrnes lynne og
utmelkingshastighet, og på sikt erstatte dagens subjektive vurdering av egenskapene. I tillegg bidrar egenskapene MelkHastBoks og pAvsp med informasjon om hvilke kyr som utnytter tiden i roboten mest effektivt.
III
Abstract
The proportions of cows milked in milking robots are steadily increasing, especially in
Norway. Milking robots contribute with large amounts of daily data on each cow. Information are registered during each milking and contributes with objective information on many
different traits.
The aim of this study was genetic analyses of milkability and temperament traits, registered in milking robot. Data from 46 Norwegian dairy herds with DeLaval milking robot, with a total of 4764 Norwegian red cows and a total of 1 853 900 daily observations were analyzed.
Variance components and heritability were estimated. Traits analyzed were kg milk per minute box time (MelkHastBoks), the proportion of milkings with kickoffs (pAvsp) and the proportion of incomplete milkings (pUfullst) registered in the robot. In addition, information about temperament, leakage and milking speed was obtained from the subjective scoring of cows. The data from the subjective characterization consisted of 329 502 observations for temperament and milking speed, and 329 130 observations for leakage. Genetic correlations between the three traits measured in the robot, and the three subjectively scored measures were estimated.
Estimated heritability was 0,29 for MelkHastBoks, 0,20 for pAvsp and 0,08 for pUfullst.
Moderate genetic correlation (0,54) was found between temperament scored subjectively and pAvsp from the robot. This correlation means that cows subjectively classified with bad temperament had higher proportion of milkings with kick offs in the robot. The estimated genetic correlation between pUfullst and temperament was 0,27. Between subjectively assessed milking speed and MelkHastBoks from the robot, the estimated genetic correlation was strong negative, -0,88, and therefore cows classified with fast milking speed give more kg milk per minute boxtime. Results suggests that information registered in the robot can be used in addition to subjective registered information on milking speed and temperament of dairy cows. In long term, information from the robot may replace today’s subjective measurement of the traits. MelkHastBoks and pAvsp also gives information of how efficient the cow use the robot, traits are directly associated with the capacity of the milking robot.
IV
Innhold
1.0 Innledning ... 1
2.0 Historie om NRF og dagens avlsarbeid ... 3
2.1 Registrering av utmelkingshastighet og lekkasje ... 5
2.2 Registrering av lynne ... 5
3.0 Melkeroboten ... 6
3.1 Bakgrunn ... 6
3.2 Registrering av egenskaper i melkeroboten ... 7
3.2.1 Utmelkingshastighet og lekkasje i melkerobot ... 8
3.2.2 Lynne i melkerobot ... 9
4.0 Tradisjonell vurdering av utmelkingshastighet, lekkasje og lynne ... 10
5.0 Materiale og metode ... 12
5.1 Datasett fra melkerobot (AMS) ... 12
5.1.1 Krav til utvelgelse av data ... 13
5.3 Definisjon av egenskaper registrert i melkerobot ... 13
5.2 Data fra Kvigevurderingen ... 17
5.4 Slektskapsfil ... 19
5.5 Modeller ... 19
5.6 Genetisk korrelasjon ... 24
5.7 Arvegrad, h2. ... 24
5.8 Gjentaksgrad, w2 ... 25
5.9 Permanent miljøvarians, c2 ... 25
6.0 Resultat ... 26
6.1 Varianskomponenter og arvegrad ... 26
6.2 Korrelasjoner ... 26
6.3 Faste effekter ... 29
6.3.1 Effekt av gård og kalvingsår ... 29
6.3.2 Effekt av laktasjonsnummer og alder i måneder ... 30
6.3.3 Effekt av kalvingsår og kalvingsmåned ... 32
6.4 Avlsverdier ... 32
6.4.1 Estimerte avlsverdier for kyr ... 32
6.4.2 Estimerte avlsverdier for okser... 34
V
7.0 Diskusjon ... 39
7.1 Arvegrader ... 39
7.2 Genetiske korrelasjoner ... 42
7.3 Faste effekter ... 44
7.4 Avlsverdier ... 45
7.5 Feilkilder, modellen og videre anbefalinger ... 45
8.0 Konklusjon ... 48
9.0 Referanser ... 49
1
1.0 Innledning
Den norske og Europeiske husdyrproduksjonen er preget av en utvikling i retning av færre og større enheter. De siste 10 årene har det gjennomsnittlige antallet norske melkekyr per bruk økt fra 17 til 24 kyr, og antallet norske gårder med melkekyr er redusert med nesten 40 % (Statistisk sentralbyrå 2014). Jordbruket har blitt mer industrialisert, og teknologiske
hjelpemidler bidrar til å øke effektiviteten i arbeidet. Automatiske melkingssystemer (AMS) eller såkalte melkeroboter, er ett av de teknologiske bidragene som har bidratt til
effektiviseringen i melkeproduksjonen på storfe.
I dag blir over 30 % av norske kyr melket i AMS, og antallet fjøs med melkerobot er stadig økende. Det kan antas at norsk melkeproduksjon i fremtiden hovedsakelig vil baseres på kyr melket i robot. Derfor er det nødvendig å undersøke hvilke egenskaper som bør inkluderes i avlsarbeidet hvis en vil selektere for kyr som er effektive i roboten. Roboten gir subjektiv informasjon om hver enkelt ku, noe som kan bidra til høyere arvegrad og sikkerhet på avlsverdier for enkelte egenskaper. I tillegg er det lett å samle in data på kyrne fra melkeroboten. Det kan tenkes at nesten alle registreringer på kyrnes egenskaper til avlsarbeidet i fremtiden, vil kunne gjøres automatisk fra melkerobotene.
Store mengder informasjon lagres i datasystemet tilknyttet melkeroboten. Blant annet
registreres informasjon om kyrnes melkemengde, oppholdstid i roboten, antallet avspark med påfølgende påsett og celletall vurdert som elektrisk konduktivitet ved hver melking. Dette er data som kan brukes i avlsarbeidet, og det er derfor viktig å få på plass ett system med rutinemessig innsamling av disse dataene til kukontrollen. Med registrering av så store mengder daglig informasjon er det selvsagt ikke alt som er like viktig for avlsarbeidet, og derfor må relevant informasjon sorteres ut. For å finne hvilke registreringer som er vesentlige mål for videre bruk, bør det beregnes arvegrader på egenskapene. De genetiske korrelasjonene mellom robotegenskapene og dagens registrering av tilsvarende egenskap til avlsarbeidet, bør estimeres for å vurdere kvaliteten på informasjonen fra roboten.
Det finnes lite forskning basert på data fra AMS i Norge. Med denne oppgaven, og tidligere arbeid ved institutt for husdyr- og akvakulturvitenskap (Bugten 2013), er man i gang med å ta i bruk data fra AMS til å beregne arvbarhet og genetiske korrelasjoner.
2 En melkerobot er en stor investering, og det er derfor viktig med høy inntjening for å sikre lønnsomheten. Kyrne som melkes i roboten bør ikke oppholde seg i roboten lenger enn nødvendig, og kg melk per melking bør være høy for å utnytte robotens kapasitet. Stort antall avspark og ufullstendige melkinger kan gi unødvendig lang oppholdstid i roboten og forlenge robotens tidsforbruk for påsett av spenekoppene. Lynne og utmelkingshastighet er egenskaper som sier noe om hvordan kyrne oppfører seg under melking, og er spesielt viktig i
melkeroboten.
Det overordnede formålet er å vurdere om data fra AMS kan brukes for å definere egenskaper som kan gi tilleggsinformasjon, og på sikt erstatte dagens utmelkingsegenskaper og lynne i avlsarbeidet på NRF. Det har blitt funnet høy arvegrad og gjentaksgrad for analyserte egenskaper fra melkeroboten, og korrelasjon med tilsvarende egenskap vurdert subjektivt (Byskov et al. 2012; Carlström et al. 2013; Carlström et al. 2014; Rinell 2013). En studie på svensk Holstein fant signifikant genetisk korrelasjon mellom lynne registrert subjektivt, med to mål på avspark i roboten (Rinell 2013). Rinell (2013) fant arvegrad på 0,31 for andelen melkinger med avspark og arvegrad på 0,06 for antallet avspark i roboten. Bugten (2013) fant i sin masteroppgave en arvegrad på 0,29 for utmelkingshastighet målt som kg melk/min bokstid i roboten, og konkluderte med at robotegenskapen er ett godt mål på
utmelkingshastighet sammenliknet med dagens utmelkingshastighet målt subjektivt i kvigevurderingen.
Formålet med denne studien er å undersøke om andelen melkinger med avspark, andelen ufullstendige melkinger og utmelkingshastighet målt som kg melk per minutt bokstid i melkeroboten kan brukes i avlsarbeidet. Arvegrad og genetiske korrelasjoner mellom robotegenskapene skal estimeres. Videre er det interessant å beregne genetisk korrelasjon mellom disse tre egenskapene i melkeroboten, og lynne, lekkasje og utmelkingshastighet vurdert subjektivt i kvigevurderingen. Avlsverdier for andelen melkinger med avspark, andelen ufullstendige melkinger og kg melk per minutt bokstid vil bli estimert. Hypotesen er at andel melkinger med avspark og andel ufullstendige melkinger bidrar med informasjon om kyrnes lynne. Egenskapen kg melk/min bokstid sier noe om melkemengden kua gir i forhold til tidsforbruk i roboten. Det er derfor ønskelig finne ut om noen kyr kan klassifiseres som mer effektive i roboten enn andre. De mest effektive kyrne er rolige under melking og produserer mye melk per minutt bokstid. Det er mulig at sannsynligheten for avspark i roboten for de mest effektive kyrne vil være lav.
3
2.0
Historie om NRF og dagens avlsarbeidNorsk rødt fe (NRF) er den mest utbredte melkekurasen i Norge. Det er en rase avlet både for kjøtt- og melkeproduksjon, men rasetypisk er NRF slankere og mindre kjøttfulle enn andre kombinasjonsraser som for eksempel Simmental, derav blir den betegnet som en melkerase (Steine et al. 2004). Rasen utgjør om lag 95 % (Geno 2010) av totalt 240 000 melkekyr i Norge (SLF, 2013). De resterende kyrne består av krysninger eller renrasede dyr av Holstein, Jersey, Simmental eller de gamle norske rasene Telemarksfe og Sidet trønder-og nordlandsfe.
NRF har vært den dominerende melkerasen i landet siden den ble utviklet som en
krysningsrase på slutten av 1930 tallet. Avlslaget for Hedemarksfe og avlsforeningen for Hornet slettefe slo seg sammen i 1939, og det nye navnet ble «Den norske avlsforening for rødt og hvitt fe», og var begynnelsen på NRF (Geno 2014c). NRF rasen ble på 50-tallet krysset med Svensk rød og hvit buskap (SRB), svensk og finsk Ayrshire i tillegg til Frieser- Holstein innblanding fra USA og Canada (Syrstad 2010). Senere ble også nesten alle de lokale storferasene i Norge krysset inn (Sæther 2002). Det var den tidligere sjefen i NRF nå kalt Geno, Helge Bekkedal, som under et møte på Hamar i 1935 foreslo å fokusere på de dyra som produserte best uavhengig rase. Med dette ble NRF dannet med hovedfokus på dyras egenskaper hvor krysning på tvers av raser var tillatt (Hersleth 2010).
Avlsorganisasjonen til NRF startet i 1952 med å avkomsgranske avlsoksene sine. I 1956 ble egenskaper som eksteriør, jur og utmelkingshastighet gransket og inkludert i avlsarbeidet.
Dette ble gjort i forbindelse med bruken av ny teknikk og dataverktøy (Hersleth 2010). I dag avkomsgranskes årlig 115 okser hvorav de 10-12 oksene med best resultat blir eliteokser.
Eliteoksene står for 60 % av inseminasjonene gjort med NRF sæd, og ungokser står for 40 % av inseminasjonene (Geno 2012a). Avkomsgranskningen med store avkomsgrupper bidrar til høy sikkerhet på oksenes avlsverdi, også for egenskaper med lav arvegrad. NRF har ett bredt avlsmål hvor helse og fruktbarhetsegenskaper er inkludert. Avlsmålet består av totalt 11 egenskapsgrupper hvor melk, mastitt, fruktbarhet og jur er høyest vektlagt med henholdsvis 28, 21, 18 og 15 % vektlegging. Bein, kjøtt, lynne, utmelkingshastighet, kalvingsvansker, dødfødsler og andre sykdommer har fra 0,5 til 15 % vekt i samla avlsverdi. Under andre sykdommer inngår de vanligste produksjonssykdommene hos melkekyr, som er melkefeber, ketose og tilbakeholdt etterbyrd. Figur 1 viser at helse og fruktbarhet har vært inkludert i avlsmålet siden 1974 (Geno 2009). Med fokus på disse egenskapene er NRF kua ifølge Geno
«ei frisk og funksjonell ku». Tidlig vektlegging av funksjonelle egenskaper med lav arvegrad har gitt NRF fortrinn på det internasjonale markedet med god helse og livskraftige kalver.
4 Dette har gjort NRF til en ettertraktet eksportvare. Krysningsforsøk i bl.a. USA, Irland og Canada vist at Holstein og NRF krysninger gir kyr med bedre helse og fruktbarhet enn renrasa Holstein kyr (Geno 2012b).
Figur 1. Utvikling i den prosentvise vektleggingen av egenskapene inkludert i samla avlsverdi for NRF fra 1962 til 2012 (Geno 2012c).
Siden avlsarbeidet på NRF startet har avlsmålet stadig inkludert flere egenskaper. Underveis har proteinprosent, lekkasje, ekstraspener og hanndyrfruktbarhet blitt fjernet fra samla avlsverdi. Det blir imidlertid fremdeles registrert informasjon om kyrnes lekkasje, og det regnes avlsverdier på egenskapene selv om den ikke er med avlsmålet lenger (Heringstad, 2014 pers. kom).
Fra og med 2010 har det vært omtrent 60 avlsrådgivere som har ansvar for å reise rundt i besetninger og måle eksteriør på førstegangskalvere ved såkalte kvigemålinger (Nævdal 2010). Årlig er det omtrent 18 000 kviger som listes aktuelle for målingen, hvorav
flesteparten er etter ungokser og en liten andel er etter eliteokser. Rådgiverne trenger kun å måle 70 % av de utvalgte kvigene, men det bør være omtrent 120 vurderte døtre etter hver okse (Geno 2013). I kvigemålingen er det egenskapene beinstilling, bein- og klauvkvalitet og jureksteriør som vurderes. Lynne og utmelkingsegenskapene vurderes av bonden selv i en såkalt kvigevurdering (Geno 2014b).
5 2.1 Registrering av utmelkingshastighet og lekkasje
Utmelkingshastighet og lekkasje vurderes i dag på en skala fra 1 til 3, hvor kua er henholdsvis rask, middels eller sein ved melking og har ingen, noe eller mye lekkasje. Lekkasje kan i tillegg registreres som «vet ikke» og gis karakteren 4 dersom det er usikkerhet knyttet til om kua lekker. Egenskapene utmelkingshastighet og lekkasje har vært vektlagt i avlsmålet til NRF siden 1960-tallet (figur 1). Fra 1997 til 2009 var ikke utmelking vektlagt i samla
avlsverdi, i dag er egenskapen vektlagt med 1% (Geno 2014a). Geno bruker i dag en arvegrad på 0,19 for utmelkingshastighet på NRF kyr (Steine et al. 2004).
Arvegraden som brukes i dagens beregning av avlsverdier for lekkasje på NRF kyr er 0,11 (Steine et al. 2004). Registreringen av egenskapen skjer utenom vanlig melketid. Det er knyttet store utfordringer til å registrere denne egenskapen hos individer oppstallet i løsdrift, ettersom det er vanskeligere å oppdage hvilke dyr som lekker. Roboten greier heller ikke å fange opp om kyrne lekker når de kommer inn til melking.
2.2 Registrering av lynne
Lynne er per i dag vektlagt med 2 % i samla avlsverdi for NRF (Geno 2014a). Arvbarheten for egenskapen er forholdsvis lav, og Geno benytter en arvegrad på 0,09 i dagens avlsarbeid (Steine et al. 2004). Tidligere var det avlsrådgiverens oppgave å registrere lynne under
melking til kvigevurderingen, men ettersom det er bonden som best kjenner individene er det i dag han som vurderer dette. Skalaen for vurdering er tre-delt, hvorav kyrne betegnes som ekstra snill/rolig, alminnelig eller lei og urolig.
6
3.0 Melkeroboten
3.1 BakgrunnIdeen om ett system som melket kyrne uten bidrag av menneskelig arbeidskraft vokste frem på 1980-tallet i Nederland (Castro et al. 2012), og årsaken var stigende lønnskostnader i markedet (Bergman 2013). Man hadde kanskje ikke sett for seg at dette systemet skulle bli så populært som i dagens melkeproduksjon, og at det i tillegg skulle vise seg at kyrnes ytelse ville øke ved bruk av nyvinningen. Flere studier har funnet økt melkeytelse ved bruk av melkerobot, fordi kyrne oppstallet i AMS melkes oftere enn ved manuell melking, altså mer enn 2 melkinger per dag (Gygax et al. 2007; Jacobs & Siegford 2012; Llach et al. 2004;
Svennersten-Sjaunja et al. 2004; Wagner-Storch & Palmer 2003).
Så hvorfor har så mange bønder tatt skrittet og gått til investering av en melkerobot som koster i overkant 1 million kroner? Den gangen melkeroboten ble utviklet var tanken at den skulle erstatte bondens arbeid, og redusere behovet for arbeidskraft i fjøset. Noen
undersøkelser har avdekket lavere arbeidsmengde og derfor lavere kostnader forbundet med arbeidskraft i robotbesetninger (Bijl et al. 2007; Gustafsson 2009), men generelt har
arbeidsoppgavene til bønder med robot endret seg. I AMS besetninger må bøndene bruke mer tid på å håndtere alarmer og feilmeldinger i systemet, og hjelpe kyr inn i roboten dersom de ikke går ofte nok til melking frivillig. Økt utbredelse av AMS de siste årene har bidratt til å lette bondens fysiske arbeid forbundet med melking, og gir mer fleksibilitet rundt fjøsstellet (Nodeland 2013). Det er ikke lenger gitt at en bonde som driver med melkeproduksjon trenger å være i fjøset til faste tider for melking av kyrne. At bøndene får mer frihet og er mindre tidsbundet når det gjelder det daglige stellet av dyra er nok en stor motivasjon for investering i robot. Bedre arbeidsmiljø og mer fritid til familie har vist seg å være den viktigste årsaken til at svenske bønder velger å investere i melkerobot (Bergman & Rabinowicz 2013). En
nederlandsk undersøkelse pekte på fem viktige årsaker til at produsentene ønsket å investere i AMS fremfor et halvautomatisk melkingssystem. Årsakene var mindre arbeid spesielt tungt arbeid, økt fleksibilitet hva gjaldt arbeidstidspunkt, mulighet for at kyrne ble melket mer enn to ganger daglig, ha færre ansatte og behov for å oppgradere melkingssystemet (Hogeveen et al. 2004).
Etter investering i en melkerobot, er det viktig å ha fokus på høyest mulig inntjening av roboten. Inntjeningen er avhengig av melkekvoten. Dersom besetningen har større kvote enn det melkeroboten greier å produsere, er utnyttelse av robotens kapasitet viktig for å sikre høyest inntjening. Kapasiteten kan utrykkes som den tiden roboten er tilgjengelig for melking
7 i løpet av ett døgn, målt som okkupasjonsrate (OR) (André et al. 2010). OR sier noe om prosentandelen av døgnet roboten har ledig kapasitet, og bestemmes blant annet av antallet kyr, antall melkinger per ku eller kg melk per melking. Det er viktig at kyrne faktisk bruker tiden i roboten på melking, og ikke ødelegger for robotarmen under påsett av spenekopper.
Besetningens melkekvote vil være med å bestemme hvor viktig det er at robotens kapasitet utnyttes maksimalt. For gårder med større melkekvote enn de klarer å fylle, er det desto viktigere at kyrne som melkes i roboten gir mye melk per tidsenhet. Er kyrne effektive i roboten vil flere kuer kunne melkes på kortere tid. Det er derimot viktig at antallet kyr ikke blir for høyt, da kan melkingsfrekvensen for hver enkelt ku reduseres. Redusert
melkingsfrekvens i AMS kan igjen føre til at melkeytelsen reduseres (Speroni et al. 2006).
En effektiv melkeprosess kjennetegnes ved at kua er rolig og føler seg trygg i roboten, slik at hun har en rask nedgivingsrefleks. Oppholdstiden i roboten er kort uten avspark og annet
«plunder», utmelkingshastigheten bør være rask men ikke på bekostning av lekkasje, og kyrne bør gå frivillig til roboten minst to ganger per 24 timer. Melkingsfrekvens i roboten er viktig for melkeytelsen. Flere har funnet økt ytelse for kyr som melkes i roboten, grunnet økt melkingsfrekvens. Det har blitt funnet melkingsfrekvens på 2,47 (Rinell 2013) for svensk Holstein, 2,74, 2,71 og 3,04 for henholdsvis Rødt Dansk Melkekvæg, Dansk Holstein og Dansk Jersey (Løvendahl & Chagunda 2011). Ved å øke melkingsfrekvensen fra 2 til 4 ganger daglig hos kyr melket på tradisjonelt vis, økte melkeytelsen med 2.2 ± 0.4 kg/dag (Soberon et al. 2011). Neijenhuis et al. (2004) fant økt daglig melkeytelse på 16 % ved melkingsfrekvens større enn 3.
3.2 Registrering av egenskaper i melkeroboten
Melkeroboten gir store muligheter til å samle inn informasjon om kyrne flere ganger daglig, og det finnes mengder med datamateriale tilgjengelig fra hver enkelt ku som melkes i roboten.
Under melking registreres egenskaper som for eksempel utmelkingshastighet, jurets spenekoordinater, total oppholdstid i roboten, avspark og elektrisk konduktivitet på melka.
Ved dagens avlsarbeid vil informasjonen om kvigenes jureksteriør, utmelkingshastighet, lekkasje og lynne kun registreres en gang og dette er ved kvigevurderingen og kvigemålingen.
I en melkerobot vil informasjon om utmelkingshastighet, speneplassering og oppførsel i roboten gis daglig gjennom hele dyrets liv, og store mengder med informasjon bidrar til sikrere resultater knyttet til de målte egenskapene.
8 3.2.1 Utmelkingshastighet og lekkasje i melkerobot
Lekkasje og utmelkingshastighet har fra moderat til høy positiv genetisk korrelasjon (Luttinen
& Juga 1997; Sivertsen 2011). Det betyr at raskere utmelkingshastighet fører til økt
sannsynlighet for lekkasje. Utmelkingshastighet er en optimumsegenskap, hvor det er uønska med både for rask og for sein hastighet ettersom begge bidrar til økt sannsynlighet for mastitt (Sivertsen 2011). Arvegrad for utmelkingshastighet registrert i robot varierer fra 0,29 til 0,63 (Bugten 2013; Byskov et al. 2012; Gäde et al. 2006), det er høyere enn arvegraden på 0,19 som er det Geno i dag bruker på subjektivt vurdert utmelkingshastighet for NRF (Steine et al.
2004). Bugten (2013) brukte et mål på utmelkingshastighet som ikke beskrev den direkte utmelkingshastigheten til kua, men kg melk kua melket per minutt oppholdstid i roboten.
Denne egenskapen vil derfor beskrive flere faktorer som ikke er direkte knyttet til dyrets fysiologi for melking.
Bruk av informasjon om egenskaper fra melkeroboten kan bidra til høyere arvegrad enn egenskaper som måles subjektivt av avlsrådgiverne eller produsent. En dansk studie av Byskov et al. (2012) fant høyere arvegrad for egenskapene utmelkingshastighet og
jureksteriør målt i robot sammenliknet med gjennomsnittlig utmelkingshastighet målt med TruTest melkemålere og subjektive mål på jureksteriør. De fant høye genetiske korrelasjoner (>0,90) mellom jureksteriør målt subjektivt og spenekoordinater målt i roboten, det betyr at det er mulig å bruke data fra roboten på jurets utforming i avlsarbeidet. Jureksteriør
egenskapene som ble vurdert utfra robotens registreringer i Byskov et al. (2012) sin studie, var plassering av fram- og bakspener, jurbalanse, og jurets dybde.
Flere har funnet høyere arvegrader for utmelkingshastighet målt i melkerobot sammenliknet med subjektive mål på utmelkingshastigheten (Bugten 2013; Gäde et al. 2006). Dersom den genetiske korrelasjonen mellom egenskapene er høy, betyr det at robotegenskapen og den subjektive vurderingen av tilsvarende egenskap forklarer mye av den samme genetiske variasjonen.
Det finnes per i dag ingen mulighet for å registrere lekkasje i roboten, dette må registreres subjektivt utenom melketid. Det er få studier på forekomsten av lekkasje i robotfjøs. En svensk studie sammenliknet lekkasje hos kyr melket i AMS med kyr melket i to
melkingssystem uten melkerobot (Persson Waller et al. 2003). Det ble observert signifikant flere tilfeller av kyr med lekkasje ved en anledning i AMS enn for de som ble melket
9 konvensjonelt i løsdrift eller båsfjøs. Kyr som lakk melk tre ganger daglig eller mer, ble beregnet til 44 % i AMS og kun 14% i de to konvensjonelle fjøsene. Det var tre ganger så høy sannsynlighet for at kyrne i AMS lakk melk tre ganger daglig eller flere (Persson Waller et al.
2003). For observasjoner av lekkasje innenfor 4 timer etter forrige melking var halvparten av disse forbundet med en ufullstendig melking i roboten. Ifølge Persson Waller et al. (2003) er kan lekkasje for kyr med vellykkede melkinger være ett mindre problem i AMS, ettersom melkingsfrekvensen i roboten er høyere.
3.2.2 Lynne i melkerobot
Det finnes flere årsaker til å avle for kyr med godt lynne. Steine et al. (2004) beskriver at verdien i å avle for kyr med ett godt lynne vises ved at arbeidsforbruket antageligvis blir lavere, samt at arbeidsmiljøet trolig bedres ved at jobben blir lettere og sikrere for bonden. I tillegg har man funnet en sammenheng mellom godt lynne og økt utmelkingshastighet (Lawstuen et al. 1988; Visscher & Goddard 1995).
Om ei ku er betegnet med godt lynne, har hun blitt bedømt utfra oppførselen under melking.
Om kua er nervøs og stresset, vil adrenalin og beta-endorfiner redusere oxytocin nivået i blodet. Dette hindrer tømming av melkealveolene i juret, og mindre melk frigis (Bobić et al.
2011). Få studier har sett på om konkrete egenskaper målt på kyrne i roboten kan si noe om kuas adferd og lynne. Rinell (2013) undersøkte om lynne hos Svensk Holstein kunne måles objektivt i melkeroboten. Det ble vurdert om melkingsintervall og andel avspark i roboten kunne være gode mål på kyrnes lynne. Hun konkluderte med at færre avspark i roboten kan indikere bedre lynne, og at lengre melkingsintervall muligens kunne indikere kyr som kviet seg for å besøke roboten. Dette er viktige resultater ettersom det forteller hvilke dyr som utnytter robotens kapasitet dårlig. Rinell (2013) fant arvegrad på 0,14 for kyrnes lynne subjektivt vurdert på en 9 delt skala. Arvegraden for andelen avspark per ku og laktasjon var høyere, på 0,31 (Rinell 2013). Disse resultatene viser at det er mulig å bruke data fra AMS til å vurdere egenskaper som lynne og utmelkingshastighet i roboten.
I ett konvensjonelt fjøs vil utmelkingshastigheten kun avhenge av kuas evne til å melkes raskt, men i en robot vil flere faktorer påvirke dyras evne til å gi mest mulig melk i forhold til oppholdstiden i roboten. Flere egenskaper knyttet til dyret påvirker dets evne til å gi mest melk fordelt på tidsforbruk, eksempelvis om kua er brunstig eller generelt er treg til å gå inn og ut av roboten. Få studier har sett på kyrnes oppholdstid i roboten. I en svensk studie i
10 kommersielle besetninger med AMS av Carlström et al. (2013) ble det funnet at bokstiden i melkeroboten målt i minutter varierte fra 2,73 og 19,95 minutter for første laktasjonskyr, og fra 2,98 til 19,92 for andre og tredje laktasjonskyr av svensk Holstein. For rasen SRB varierte bokstiden fra 2,57 til 19,98 for første laktasjon, og 2,63 til 19,98 for andre og tredje
laktasjonskyr. I dette studiet inkluderte bokstiden tiden det tar fra roboten har registrert individet til kua er melket ferdig. Carlström et al. (2013) fant arvegrad fra 0,21 til 0,44 for bokstid i melkeroboten. Carlström et al. (2013) fant så en arvegrad på 0,09 til 0,26 for melkingsintervall målt i timer, og Nixon et al. (2009) fant arvegrad på 0,14 for
melkingsintervall i roboten. Kortere melkingsintervall eller høy melkingsfrekvens gir mindre melk per gang, men som tidligere nevnt vil høyere melkingsfrekvens i roboten øke den totale melkemengden. Det er logisk at høytytende kyr generelt besøker melkeroboten oftere enn kyr med lav melkeproduksjon, og dette har blitt bekreftet i en studie (Pettersson et al. 2011).
4.0 Tradisjonell vurdering av utmelkingshastighet, lekkasje og lynne
Ved registrering av lynne, utmelkingshastighet og lekkasje kan egenskapene vurderes subjektivt av bonden selv eller en trent person. Skalaene for registrering av lynne og
utmelkingshastighet er forskjellig i ulike land, og kan gå fra 1-3, 1-5, 1-6 eller 1-9 (Juga 1996;
Kramer et al. 2013; Rinell 2013; Steine et al. 2004). Lekkasje kan enten registreres på en gradert skala slik som for lynne og utmelkingshastighet, eller egenskapen kan betegnes som en enten eller egenskap. Sistnevnte gjøres i Finnland (Juga 1996). Utmelkingshastighet kan også vurderes objektivt utenfor melkeroboten, ved at melkemengden for melking i to minutter måles (Meyer & Burnside 1987).
Det har blitt funnet arvegrad på 0,07 (Rensing & Ruten 2005), 0,08 (Sewalem et al. 2011), 0,12 (Lawstuen et al. 1988) og 0,13 (Sewalem et al. 2011) for melkingstemperament vurdert subjektivt. For utmelkingshastighet vurdert etter skalaer på 1-5 og 1-9 er arvegraden estimert fra 0,10-0,29 (Lassen & Mark 2008; Lawstuen et al. 1988; Rensing & Ruten 2005; Rupp &
Boichard 1999; Visscher & Goddard 1995), som hovedsakelig er lavere arvegrad enn for utmelkingshastighet vurdert subjektivt som kg melk per minutt melkingstid. Estimert arvegrad for utmelkingshastighet vurdert som kg/minutt melketid er på 0,28, 0,37, 0,46 og 0,48 (Ilahi
& Kadarmideen 2004; Lassen & Mark 2008; Rensing & Ruten 2005). Luttinen og Juga (1997) Estimerte arvegraden for lekkasje vurdert av bonden selv til å være 0,08, som er lavere enn 0,11 for lekkasje på NRF (Steine et al. 2004).
11 Kyr klassifisert subjektivt med godt melkingstemperament melker raskere. Lynne og
utmelkingshastighet ble i en studie estimert til å være genetisk korrelert med 0,36, og døtre etter okser med godt lynne tenderte til å melke raskere (Lawstuen et al. 1988). En annen studie som så på melkeytelse og lynne på Holstein og Brown Swiss, fant indikasjon på bedre lynnescore for kyr i senere laktasjoner, sammenliknet med første laktasjonskyr (Gergovska et al. 2012). Visscher og Goddard (1995) fant høy genetisk korrelasjon mellom lynne og
utmelkingshastighet hos Holstein- (0,53±0,09) og Jerseykyr (0,57±0,14), hvor begge egenskaper var vurdert subjektivt på en femdelt skala. En annen studie som så på
melkingstemperament og utmelkingshastighet, fant genetisk korrelasjon mellom egenskapene på 0,25, for 20 000 observasjoner på Holstein kyr (Sewalem et al. 2011). Kyr med ett godt lynne vil dermed gi ned melken raskere og ha høyere utmelkingshastighet.
12
5.0 Materiale og metode
5.1 Datasett fra melkerobot (AMS)
Dataene som ble analysert er hentet fra 46 norske besetninger med DeLaval melkerobot. For å sikre representativ data måtte besetningen hatt melkeroboten i bruk i minst to år. Datasettet bestod av registreringer på kyr i robot fra 01.01.2010 -12.05.2013. Informasjonen ble hentet ut i 2013, og en mer nøyaktig beskrivelse av rådata kan ses i Bugten (2013) sin
masteroppgave. Det opprinnelige datasettet inneholdt informasjon om en rekke daglige
registreringer i melkeroboten over flere laktasjoner, med til sammen 2 589 797 observasjoner.
Sortering og utplukk av data og variabler ble gjort med den statistiske programvaren SAS (SAS 2002-2010). SAS ble også brukt til å lage beskrivende statistikk (kap 5.3).
Informasjon om kalvingsdato, fødselsdato, og slektskap ble hentet fra kukontrollen. Følgende variabler fra melkeroboten ble brukt i analysene:
Individ nummer: Kuas individnummer innenfor besetning.
Gårdsnummer: Gården eller besetningens nummer.
Laktasjonsnummer: Laktasjonsnummer på observasjonsdato.
Dagerimelk: Antall dager fra kalving til observasjonsdato.
Gjennomsnittlig daglig melkemengde: Er beregnet utfra 7 dagers gjennomsnitt før observasjonsdato.
Oppholdstid i melkeroboten: Den totale oppholdstid i roboten på observasjonsdag, oppgis i hele minutter.
Melkinger med avspark: Angir antall melkinger som daglig blir registrert med avspark. For at en melking skal registreres med avspark må minst en spenekopp være sparket av. Dersom oppnådd melkemengde før avspark er mindre enn en viss prosentandel av forventet ytelse for melkekjertelen, vil roboten sette på koppen igjen. Det vanlige er at roboten setter på
spenekoppen igjen dersom oppnådd melkemengde er mindre enn 65 % av forventet ytelse.
Ufullstendige melkinger: Variabelen beskriver antallet melkinger innenfor ett døgn som blir registrert som en ufullstendig melking. Dersom en ku melker mindre enn 50 % av forventet mengde for en kjertel vil melkingen klassifiseres som ufullstendig, eller dersom roboten ikke finner en spene og melkemengden fra spenen blir mindre enn 0,2 kg (Risa, 2014 pers. kom).
Blir kua registrert med en ufullstendig melking vil dette gi henne tilgang til roboten på ett
13 tidligere tidspunkt enn normalt. Bonden avgjør kravet til normalt intervall mellom to
melkinger.
5.1.1 Krav til utvelgelse av data
Data til bruk i analysene ble plukket ut etter følgende kriterier:
• Kua var i laktasjonsnummer 1-5
• Kua var fra 7 til 305 dager ut i laktasjon
• Kua var eldre enn 19 måneder ved første kalving
• Kua var registrert med melkemengde >0 kg i roboten
• Kua hadde registrert daglig oppholdstid > 0 min i roboten
Totalt 1 853 900 daglige observasjoner for 7 913 laktasjoner, og 4 764 kyr gjenstod for kg melk/min bokstid. 4239 laktasjoner fra 3085 kyr gjenstod for andelen melkinger med avspark og ufullstendige melkinger.
5.3 Definisjon av egenskaper registrert i melkerobot
MelkHastBoks
MelkHastBoks ble beregnet fra to variabler. Registrering av daglig total oppholdstid i roboten i minutter, og total melkemengde per dag målt i kg. Følgende formel ble benyttet for å regne ut MelkHastBoks:
𝑀𝑒𝑙𝑘𝐻𝑎𝑠𝑡𝐵𝑜𝑘𝑠 = ( 𝑆𝑢𝑚 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑔𝑙𝑖𝑔 𝑚𝑒𝑙𝑘𝑦𝑡𝑒𝑙𝑠𝑒, 𝑘𝑔 𝑆𝑢𝑚 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑔𝑙𝑖𝑔 𝑚𝑒𝑙𝑘𝑒𝑡𝑖𝑑 𝑖 𝑚𝑖𝑛𝑢𝑡𝑡𝑒𝑟)
Egenskapen MelkHastBoks er ett mål på antall kg melk kua melker, per minutt oppholdstid i roboten. Figur 2 viser den prosentvise fordelingen av alle observasjoner for MelkHastBoks, der observasjonene tydelig er normalfordelte. Gjennomsnittlig melkemengde per oppholdstid i roboten var ca 1,5 kg melk/min bokstid. Egenskapen MelkHastBoks hadde totalt 7913 observasjoner.
14 Figur 2. Prosentvis fordeling av gjennomsnittlig melkeytelse/minutt bokstid (MelkHastBoks) for 7913 observasjoner. MelkHastBoks på x-aksen (mHAST), og fordeling i prosent på y-aksen.
pAvsp
Dersom ei ku sparker av seg minst en spenekopp en gang under en melking, vil melkingen bli registrert med avspark. Variabelen pAvsp er summen av alle melkinger med avspark, delt på totalt antall melkinger. pAvsp beskriver sannsynligheten for avspark i melkeroboten:
𝑝𝐴𝑣𝑠𝑝 = (𝑆𝑢𝑚 𝑎𝑛𝑡𝑎𝑙𝑙 𝑚𝑒𝑙𝑘𝑖𝑛𝑔𝑒𝑟 𝑚𝑒𝑑 𝑎𝑣𝑠𝑝𝑎𝑟𝑘 𝑝𝑒𝑟 𝑘𝑢 𝑜𝑔 𝑙𝑎𝑘𝑡𝑎𝑠𝑗𝑜𝑛 𝑇𝑜𝑡𝑎𝑙𝑡 𝑎𝑛𝑡𝑎𝑙𝑙 𝑚𝑒𝑙𝑘𝑖𝑛𝑔𝑒𝑟 𝑝𝑒𝑟 𝑘𝑢 𝑜𝑔 𝑙𝑎𝑘𝑡𝑎𝑠𝑗𝑜𝑛 )
40 % av kyrne med informasjon om egenskapen pAvsp var registrert med 0 melkinger med avspark. Figur 3 viser at prosentandelen av kyr som sparket av seg en eller flere spenekopper var relativt lav. Variabelen pAvsp hadde informasjon fra 4239 laktasjoner, med
gjennomsnittlig andel melkinger med avspark for hver laktasjon.
15 Figur 3. Prosentvis fordeling av andel melkinger med avspark (pAvsp) for 4239 laktasjoner. Andelen melkinger med avspark på x-aksen (pAvsp), og fordeling i prosent på y-aksen.
pUfullst
Variabelen pUfullst beskriver en sannsynlighet for at kua registreres med ufullstendig melking i roboten. Denne ble regnet ut etter følgende formel:
𝑝𝑈𝑓𝑢𝑙𝑙𝑠𝑡 = (𝑆𝑢𝑚 𝑎𝑛𝑡𝑎𝑙𝑙 𝑢𝑓𝑢𝑙𝑙𝑠𝑡𝑒𝑛𝑑𝑖𝑔𝑒 𝑚𝑒𝑙𝑘𝑖𝑛𝑔𝑒𝑟 𝑝𝑒𝑟 𝑘𝑢 𝑜𝑔 𝑙𝑎𝑘𝑡𝑎𝑠𝑗𝑜𝑛 𝑇𝑜𝑡𝑎𝑙𝑡 𝑎𝑛𝑡𝑎𝑙𝑙 𝑚𝑒𝑙𝑘𝑖𝑛𝑔𝑒𝑟 𝑝𝑒𝑟 𝑘𝑢 𝑜𝑔 𝑙𝑎𝑘𝑡𝑎𝑠𝑗𝑜𝑛 )
Omtrent 70 prosent av observasjonene hadde ingen forekomst av ufullstendige melkinger.
Den største andelen av ufullstendige melkinger var 0,60 (60 % sannsynlighet for at en melking blir registrert som ufullstendig), men dette gjaldt kun ett fåtall av observasjonene (figur 4). Det var informasjon om 4239 laktasjoner for egenskapen pUfullst fra melkeroboten, hvorav enkelte kyr har registreringer i flere laktasjoner.
16 Figur 4. Prosentvis fordeling av andel ufullstendige melkinger (pUfullst). Sannsynlighet for
ufullstendig melking på x-aksen (pUfullst), og prosentfordeling av observasjoner på y-aksen.
Variablene ble laget for beregning av varianskomponenter, arvegrad og avlsverdier i roboten.
Felles for alle tre egenskapene er at det ble regnet ett gjennomsnitt for hver ku og laktasjon.
Etter at variablene MelkHastBoks, pAvsp og pUfullst var blitt laget, gjenstod 7913 laktasjoner for MelkHastBoks, men kun 4239 laktasjoner på pAvsp og pUfullst (tabell 1).
Årsaken var at flere kyr hadde registreringer på melkemengde og oppholdstid i melkeroboten sammenliknet med registreringer på avspark og ufullstendige melkinger. Det kunne se ut til at informasjon om avspark og ufullstendige melkinger i melkeroboten ikke var lagret for alle kyrne i datasettet.
Tabell 1. Beskrivende statistikk av analysert datasettet fra melkeroboten (AMS), for egenskapen MelkHastBoks, pAvsp og pUfullst.
AMS Antall
observasjoner
Gjennomsnitt (standardavvik)
Min-verdi Max-verdi
MelkHastBoks1 7913 1,44 (0,39) 0,06 4,56
pAvsp2 4239 0,09 (0,16) 0 1
pUfullst2 4239 0,05 (0,08) 0 0,91
1Kg melk per minutt bokstid. 2 Sannsynlighet for avspark og ufullstendige melkinger.
17 5.2 Data fra Kvigevurderingen
Informasjon om kvigevurderingen ble hentet fra kukontrollen, med følgende variabler brukt i analysene:
Fødselsår: Kuas fødselsår.
Unikt ID nummer: Kuas id nummer.
Hendelsesår for kvigevurdering: Hvilket år kvigevurderingen ble utført.
Lynne: Subjektivt vurdert lynne registrert i kvigevurderingen.
Lekk: Hvilken grad av lekkasje kua er registrert med, vurdert subjektivt.
UTMJ: Subjektiv vurdering av kuas utmelkingshastighet som kvige.
Kalvingsår: Kuas første kalvingsår.
Kalvingsmåned: Kuas kalvingsmåned første året hun kalvet.
Gårdsnummer: Gården eller besetningens unike ID
Utmelkingshastighet, lynne og lekkasje vurdert subjektivt i kvigevurderingen
Informasjon om egenskapene utmelkingshastighet (UTMJ), lynne og lekkasje (lekk) i første laktasjon ble hentet fra kukontrollen 2013, og er en subjektiv vurdering av kua i første laktasjon. Egenskapene bedømmes på en tredelt skala. For lekkasje gis karakteren 1 dersom kua ikke lekker, 2 ved antydning til lekkasje og 3 dersom kua har tydelig «lekkasje/drypping»
av melk. For lekkasje var flere kyr registrert med karakteren 4 som betyr «vet ikke». Disse ble fjernet fra datasettet, noe som er årsaken til at det er færre observasjoner på lekkasje
sammenliknet med utmelkingshastighet og lynne (tabell 2). For utmelkingshastighet gis karakteren 1 dersom kua er «rask», 2 for «middels» og 3 for «sein» utmelkingshastighet. Er kua ekstra «snill» får hun 1, «middels grei» gis 2 og «urolige» kyr gis karakter 3 for lynne.
Det viste seg at registreringene på lynne, lekk og UTMJ for kyrne i datasettet fra besetningene med melkerobot alene, ikke gav nok informasjon til å regne ut (ko)varianskomponenter og arvegrader. For å få nok informasjon til disse beregningene ble det hentet ut mer informasjon fra flere besetninger. Det ble inkludert 352 364 observasjoner på lynne og
utmelkingsegenskaper registrert i kvigevurderingen.
18 Tabell 2. Beskrivende statistikk for datasettet med informasjon om egenskapene lynne, lekkasje og UTMJ (utmelkingshastighet) fra kvigevurderingen.
Kvigevurdering Antall
observasjoner
Gjennomsnitt (standardavvik)
Min-verdi Max-verdi
Lynne1 329 502 1,87 (0,53) 1 3
Lekk2 329 130 1,23 (0,50) 1 3
UTMJ3 329 502 1,90 (0,58) 1 3
1Snill, middels eller lei. 2Ingen, noe eller tydelig lekkasje. 3Rask, middels eller sein.
Etter sortering av dataene stod det igjen 329 502 observasjoner på lynne og
utmelkingshastighet, og 329 130 observasjoner på lekkasje. For utplukk av data fra kvigevurderingen ble følgende kriterier satt:
• Kyrne måtte være døtre av NRF seminokse
• Ha registreringer på utmelkingsegenskaper innen 305 dager etter første kalving
• Alderen ved kalving måtte være fra 20 til 36 måneder
• Informasjonen skulle være registrert fra 2003 til og med 2013
• Kuas besetning skulle ha minst 5 førstegangskalvere med informasjon om lynne og utmelkingsegenskaper innenfor gjeldende år.
For lynne og utmelkingshastighet var det spredning i observasjonene, men hovedtyngden av kyrne var registrert med karakteren 2 for middels lynne og middels utmelkingshastighet (tabell 3). Registreringer på lekkasje viste at over 80 % av kyrne var registrert med ingen lekkasje, og kun 3,5 % fikk karakteren 3 for tydelig drypping av melk (tabell 3).
19 Tabell 3. Fordeling av observasjoner fra kvigevurderingen på lynne, lekk(asje) og UTMJ
(utmelkingshastighet), antall og prosentvis fordeling av hver egenskap.
Egenskap Antall Prosent (%)
Karakter Lynne:
1. Ekstra snill 70 605 21,4
2. Middels 230 571 70
3. Urolig/lei 28 326 8,6
Totalt: 329 502 100
Karakter UTMJ:
1. Rask 74 767 22,7
2. Middels 214 389 65,1
3. Sein 40 346 12,2
Totalt: 329 502 100
Karakter Lekk:
1. Ingen lekkasje 265 758 80,8
2. Noe lekkasje 51 677 15,7
3. Tydelig lekkasje 11 695 3,5
Totalt: 329 130 100
5.4 Slektskapsfil
Til kyrne i datasettet fra AMS-besetningene ble en tilhørende slektskapsfil med informasjon om 44 403 individer laget. Slektskapet med kyrne ble «nøstet» flere generasjoner tilbake.
Slektskapsfilen til datasettet fra kvigevurderingen hadde totalt 831 659 observasjoner, hvor slektskapet til kyrne ble «nøstet» fem generasjoner bakover i tid. Begge slektskapsfilene hadde fire variabler: kuas unike ID, far, mor og kuas fødselsår.
5.5 Modeller
Modell for egenskaper målt i roboten
Forklaringsvariabler til modellen ble valgt ut ved hjelp av programvaren SAS (SAS 2002- 2010). En lineær modell (GLM) ble kjørt, og det ble testet hvilke faste effekter som var signifikante og ble tatt hensyn til. Det var tre egenskaper registrert i roboten som ble analysert; MelkHastBoks, pAvsp og pUfullst. Modellen for alle tre robotegenskapene var signifikant (p<0,0001).
20 Det ble testet signifikans av de faste effekter. De faste effektene som var signifikante og ble inkludert i modellen var gård og år, laktasjonsnummer og alder i måneder ved kalving, kalvingsår og kalvingsmåned. Tilfeldige effekter ble ikke testet for signifikans. Den tilfeldige effekten av dyret selv og permanent miljøeffekt for egenskaper med gjentatte observasjoner ble inkludert i modellen.
Følgende lineære dyremodell ble brukt for de tre robotegenskapene MelkHastBoks, pAvsp og pUfullst:
𝑌𝑓𝑔ℎ𝑖𝑗 = 𝜇 + 𝑔å𝑟𝑑_å𝑟𝑓+ 𝑙𝑎𝑘𝑡𝑛𝑟_𝑎𝑙𝑑𝑔+ 𝑘å𝑟_𝑘𝑚𝑛𝑑ℎ+ 𝑘𝑢𝑖+ 𝑝𝑒𝑖+ 𝑒𝑓𝑔ℎ𝑖𝑗 Der
𝑌𝑓𝑔ℎ𝑖𝑗 = observasjon j av MelkHastBoks, pAvsp eller pUfullst for: ku i, fra gård og år f, i laktasjonsnummer og alder i måneder ved kalving g, med kalvingsår og kalvingsmåned h.
µ = populasjonsgjennomsnitt for MelkHastBoks, pAvsp eller pUfullst.
gård_årf = fast effekt av besetning og kalvingsår f, hvor f har 238 klasser for MelkHastBoks og 156 klasser for pAvsp og pUfullst.
laktnr_aldg=fast effekt av laktasjonsnummer og alder i måneder ved kalving g, hvor g har 136 klasser for MelkHastBoks og 124 klasser for pAvsp og pUfullst.
kår_kmndh=fast effekt av kalvingsår og kalvingsmåned h, hvor h har 83 klasser for MelkHastBoks, og 55 klasser for pAvsp og pUfullst.
kui = tilfeldig effekt av ku i.
pei = tilfeldig effekt av permanent miljø for ku i.
efghij = tilfeldig effekt av feilledd, residual for observasjon j.
Modell for egenskaper fra kvigevurdering
Fra kvigevurderingen var det tre egenskaper som skulle analyseres: lekk, lynne og UTMJ.
Effekten av gård og hendelsesår, og kvigas alder i måneder ved kalving var signifikant (p<0,0001), og ble inkludert som faste effekter i modellen. Følgende lineære dyremodell ble brukt:
𝑌𝑔ℎ𝑖 = 𝜇 + 𝑔å𝑟𝑑_ℎ𝑒𝑛𝑑å𝑟𝑔+ 𝑎𝑙𝑑_𝑚åℎ+ 𝑘𝑢𝑖+ 𝑒𝑔ℎ𝑖 Der
21 𝑌𝑔ℎ𝑖 = observasjon av lynne, lekk eller UTMJ for: ku i fra gård og hendelsesår g, med alder i måneder ved første kalving h.
µ = populasjonsgjennomsnitt for lynne, lekk eller UTMJ.
gård_hendårg = fast effekt av gård og år for kvigevurdering g, hvor g er hadde 41 233 klasser for utmelkingshastighet og lynne, og 41 213 klasser for lekk.
ald_måh = fast effekt av kalvingsalder i måneder for første kalving h, hvor h hadde 16 klasser for UTMJ, lynne og lekk.
kui = tilfeldig effekt av ku i.
eghi = tilfeldig effekt av feiledd, residual.
(Ko)varians matrise for egenskapene i melkeroboten
Det ble brukt en tri-variat modell for egenskapene MelkHastBoks, pAvsp og pUfullst målt i roboten. På matriseform kan modellen utrykkes slik:
[ 𝒚𝟏 𝒚𝟐 𝒚𝟑
] = [
𝑿𝟏 𝟎 𝟎 𝟎 𝑿𝟐 𝟎 𝟎 𝟎 𝑿𝟑
] [ 𝒃𝟏 𝒃𝟐 𝒃𝟑
] + [
𝑾𝟏 𝟎 𝟎
𝟎 𝑾𝟐 𝟎
𝟎 𝟎 𝑾𝟑
] [ 𝒑𝒆𝟏 𝒑𝒆𝟐 𝒑𝒆𝟑
] + [
𝒁𝟏 𝟎 𝟎 𝟎 𝒁𝟐 𝟎 𝟎 𝟎 𝒁𝟑
] [ 𝒂𝟏 𝒂𝟐 𝒂𝟑
] + [ 𝒆𝟏 𝒆𝟑 𝒆𝟒
]
med den generelle formel 𝒚 = 𝑿𝜷 + 𝑾𝒑𝒆 + 𝒁𝒂 + 𝜺
Der y1, y2 og y3 er vektorer med observasjoner på MelkHastBoks, pAvsp og pUfullst. X1, X2
og X3 er designmatriser som kobler vektor for de faste effektene b1, b2 og b3 til observasjonene y hvor de faste effektene er:
b1 = b2 = b3 = [
𝒈å𝒓𝒅_å𝒓 𝒍𝒂𝒌𝒕𝒏𝒓_𝒂𝒍𝒅
𝒌å𝒓_𝒌𝒎𝒏𝒅 ]
Hvor gård_år er fast effekt av besetning og år, laktnr_ald er fast effekt av laktasjonsnummer og alder i måneder ved kalving, og kår_kmnd er fast effekt av kalvingsår og kalvingsmåned.
Z1, Z2 og Z3 er design matriser som kobler vektoren til de tilfeldige effektene av dyret selv, a1, a2 og a3 til observasjonen y. W1, W2 og W3 er designmatriser som kobler vektoren til den tilfeldige effekten av permanent miljø: pe1, pe2 og pe3 til observasjonen y. e1, e2 og e3 er vektorer for residualene.
22 Det ble antatt at additiv genetisk effekt var normalfordelt med følgende variansstruktur:
Var [ 𝒂𝟏 𝒂𝟐 𝒂𝟑
] = a~ 𝑵(0, 𝑮0 ⊗ 𝑨), hvor
𝑮0 = [
𝜎𝑎21 𝜎𝑎1,𝑎2 𝜎𝑎1,𝑎3 𝜎𝑎1,𝑎2 𝜎𝑎22 𝜎𝑎2,𝑎3 𝜎𝑎1,𝑎3 𝜎𝑎2,𝑎3 𝜎𝑎23
]
Er genetisk (ko)variansmatrise for de tre egenskapene fra melkeroboten, A er additiv slektskapsmatrise, og ⊗ er Kronecker produktet mellom dem.
𝜎𝑎2𝑖 er den additive genetiske variansen til egenskap i, hvor i = 1, 2 og 3.
𝜎𝑎𝑖,𝑎𝑗 er genetisk kovarians mellom egenskap i og j. i og j = 1, 2 og 3.
Det ble antatt at effekt av permanent miljø var normalfordelt og korrelert.
Var [ 𝒑𝒆𝟏 𝒑𝒆𝟐
𝒑𝒆𝟑] = pe ~ 𝑵(0, 𝑯0 ⊗ 𝑰), hvor
𝑯0 = [
𝜎𝑝𝑒21 𝜎𝑝𝑒1,𝑝𝑒2 𝜎𝑝𝑒1,𝑝𝑒3 𝜎𝑝𝑒1,𝑝𝑒2 𝜎𝑝𝑒22 𝜎𝑝𝑒2,𝑝𝑒3 𝜎𝑝𝑒1,𝑝𝑒3 𝜎𝑝𝑒2,𝑝𝑒3 𝜎𝑝𝑒23
]
er (ko)variansmatrise for den tilfeldige effekten av permanent miljø, I er en identitetsmatrise og ⊗ er Kronecker produktet.
𝜎𝑝𝑒2 𝑖 er variansen til effekten av permanent miljø for egenskap i, der i = 1, 2 og 3.
𝜎𝑝𝑒𝑖,𝑝𝑒𝑗 er kovariansen mellom tilfeldig effekt av permanent miljø for egenskap i og j, der i og j = 1, 2 og 3.
Feilleddene ble antatt å være normalfordelte med følgende fordeling:
Var [ 𝒆𝟏 𝒆𝟐 𝒆𝟑
] = e~ 𝑵(0, 𝑰0 ⊗ 𝑹), hvor
𝑹0 = [
𝜎𝑒21 𝜎𝑒1,𝑒2 𝜎𝑒1,𝑒3 𝜎𝑒1,𝑒2 𝜎𝑒22 𝜎𝑒2,𝑒3 𝜎𝑒1,𝑒3 𝜎𝑒2,𝑒3 𝜎𝑒23
]
23 er (ko)variansmatrise for residualene til robotegenskapene, I er identitetsmatrise og ⊗ er Kronecker produktet mellom dem.
𝜎𝑒2𝑖 er residual varians til egenskap i , der i = 1, 2 og 3.
𝜎𝑒𝑖,𝑒𝑗 er kovarians mellom residual for egenskap i og j, der i og j = 1, 2 og 3.
(Ko)variansmatrise for egenskapene fra kvigevurderingen
Det ble brukt en tri-variat modell for analyser av de tre egenskapene hentet fra kvigevurderingen, lynne, lekk og UTMJ. Modellen utrykt på matriseform ser slik ut:
[ 𝒚𝟏 𝒚𝟐 𝒚𝟑
] = [
𝑿𝟏 𝟎 𝟎 𝟎 𝑿𝟐 𝟎 𝟎 𝟎 𝑿𝟑
] [ 𝒃𝟏 𝒃𝟐 𝒃𝟑
] + [
𝒁𝟏 𝟎 𝟎 𝟎 𝒁𝟐 𝟎 𝟎 𝟎 𝒁𝟑
] [ 𝒂𝟏 𝒂𝟐 𝒂𝟑
] + [ 𝒆𝟏 𝒆𝟑 𝒆𝟒
]
med den generelle formel 𝒚 = 𝑿𝜷 + 𝒁𝒂 + 𝜺
Der y1, y2 og y3 er vektorer med observasjoner på lynne, lekk og UTMJ fra kvigevurderingen.
X1, X2 og X3 er designmatriser som kobler vektor for de faste effektene b1, b2 og b3 til observasjonene y. De faste effekter var:
b1 = b2 = b3 = [𝒈å𝒓𝒅_𝒉𝒆𝒏𝒅å𝒓 𝒂𝒍𝒅_𝒎å ]
Hvor gård_hendår er fast effekt av besetning og hendelsesår for kvigevurdering, ald_må er fast effekt av alder i måneder ved første kalving. Z1, Z2 og Z3 er design matriser som kobler vektoren til de tilfeldige effektene av dyret selv a1, a2 og a3 til observasjonen y. e1, e2 og e3 er vektorer for residual leddet. Modellen for egenskapene fra kvigevurderingen hadde samme variansstruktur for a og e som for egenskapene i melkeroboten.
Korrelasjon mellom egenskapene i melkeroboten og kvigevurderingen
For å beregne korrelasjon mellom egenskapene MelkHastBoks, pAvsp og pUfullst målt i melkeroboten, og lynne, lekk og UTMJ målt i kvigevurderingen, ble 9 bi-variate modeller kjørt i programvaren DMU (Madsen & Jensen 2012) med to egenskaper om gangen. Dette ble gjort for å finne genetiske korrelasjoner mellom de tre egenskapene registrert i roboten og de tre egenskapene fra kvigevurderingen. Modellen for den enkelte egenskap inkluderte de samme faste og tilfeldige effekter som beskrevet over. DMU ble benyttet for å beregne
24 varianskomponenter og avlsverdier, og modulen DMUAI kjørt. Denne modulen bruker AI- REML (Average Information REstricted Maximum Likelihood) til estimering av
(ko)varianskomponenter som igjen kan brukes for å beregne arvegrad. Avlsverdier for kyrne i datasettet og for kyrnes fedre ble estimert.
5.6 Genetisk korrelasjon
Genetisk korrelasjon mellom to egenskaper i og j ble beregnet etter følgende formel:
𝑟𝑔𝑖𝑗 = 𝜎𝑎𝑖,𝑎𝑗
√𝜎𝑎2𝑖𝑥 √𝜎𝑎2𝑗
𝜎𝑎𝑖,𝑎𝑗 er kovariansen mellom den additive genetiske effekten for egenskap i og j.
𝜎𝑎2𝑖 og 𝜎𝑎2𝑗 er den additive genetiske variansen for egenskap i og j der, i og j = 1, 2 og 3.
5.7 Arvegrad, h2.
For utregning av arvegrad for egenskapene registrert i roboten ble følgende formel benyttet:
ℎ2 = 𝜎𝑎2
𝜎𝑎2+ 𝜎𝑝𝑒2 + 𝜎𝑒2
Hvor:
𝜎𝑎2 = additiv genetisk varians.
𝜎𝑒2 = residual varians.
𝜎𝑝𝑒2 = varianskomponent for permanent miljøeffekt.
Fordi dataene fra roboten bidrar med flere observasjoner per ku, er effekten av permanent miljø inkludert i modellen.
For utregning av arvegrad for egenskapene registrert i kvigevurderingen ble følgende formel benyttet:
25 ℎ2 = 𝜎𝑎2
𝜎𝑎2+ 𝜎𝑒2
Fordi dataene fra kvigevurderingen kun har en observasjon per ku, hadde ikke denne modellen effekt av permanent miljø.
5.8 Gjentaksgrad, w2
Gjentaksgraden beskriver størrelsen på variansen til den additive genetiske effekten og permanent miljøeffekt, i forhold til total eller fenotypisk varians (𝜎𝑝2). 𝜎𝑝2 er definert som 𝜎𝑎2+ 𝜎𝑝𝑒2 + 𝜎𝑒2 . Gjentaksgraden for egenskapene MelkHastBoks, pAvsp og pUfullst ble beregnet etter følgende formel:
𝑤2 = 𝜎𝑎2+ 𝜎𝑝𝑒2 𝜎𝑎2 + 𝜎𝑝𝑒2 + 𝜎𝑒2
5.9 Permanent miljøvarians, c2
c2 beskriver hvor stor andel variansen for permanent miljøeffekt utgjør av total varians.
Formelen nedenfor ble benyttet:
𝑐2 = 𝜎𝑝𝑒2
𝜎𝑎2 + 𝜎𝑝𝑒2 + 𝜎𝑒2
26
6.0 Resultat
6.1 Varianskomponenter og arvegrad
Estimerte varianskomponenter for additiv genetisk effekt, permanent miljøeffekt og residual ble funnet å være signifikant større enn null, med standardfeil lavere enn estimert
varianskomponent for alle egenskaper (tabell 4). Det ble funnet moderat arvegrad for
egenskapene MelkHastBoks og pAvsp fra melkeroboten, og for utmelkingshastighet basert på informasjon fra kvigevurderingen (UTMJ). Arvegrader på henholdsvis 0,29, 0,20 og 0,26.
Arvegraden for pUfullst, lynne og lekkasje ble noe lavere enn for robotegenskapene
henholdsvis 0,08, 0,10 og 0,14. For egenskapene MelkHastBoks, pAvsp og pUfullst utgjorde den permanente miljøeffekten henholdsvis 39, 41 og 25 % av den totale variansen.
Gjentaksgraden for de tre robotegenskapene var omtrent like stor, og ble beregnet til 0,42, 0,41 og 0,25 (tabell 4).
Tabell 4. Estimerte varianskomponenter for additiv genetisk effekt (σa2), permanent miljøeffekt (σpe2 ), residual (σe2), arvegrad (h2), permanent miljøvarians (c2) og gjentaksgrad (w2) for egenskapene kg melk/min bokstid (MelkHastBoks), andelen melkinger med avspark (pAvsp) og andelen ufullstendige melkinger (pUfullst) fra melkerobot. Additiv genetisk effekt, residual varians og arvegrad for
egenskapene lynne, lekkasje (lekk) og utmelkingshastighet (UTMJ) fra kvigevurderingen. Standardfeil i parentes.
𝝈𝒂𝟐 𝝈𝒑𝒆𝟐 𝝈𝒆𝟐 𝒉𝟐 𝒄𝟐 𝒘𝟐
MelkHast- Boks
0,0345 (0,0043)
0,0465 (0,0038)
0,0395 (0,0011)
0,29 0,39 0,42
pAvsp 0,0046
(0,0011)
0,0094 (0,0011)
0,0090 (0,0004)
0,20 0,41 0,41
pUfullst 0,0005 (0,0002)
0,0016 (0,0003)
0,0044 (0,0002)
0,08 0,25 0,25
Lynne 0,0242
(0,0012)
- 0,2104
(0,0010)
0,10
Lekk 0,0297
(0,0011)
- 0,1798
(0,0009)
0,14
UTMJ 0,0853
(0,0021)
- 0,2372
(0,0015)
0,26
6.2 Korrelasjoner
Det ble funnet negativ og gunstig genetisk korrelasjon på -0,35 og -0,23 mellom
MelkHastBoks og henholdsvis pAvsp og pUfullst (tabell 5). Dette betyr at dersom andelen melkinger med avspark eller ufullstendige melkinger øker, vil kg melk per minutt bokstid
